基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類算法在物聯(lián)網(wǎng)中的應(yīng)用.pdf

1、物聯(lián)網(wǎng)是一個新穎的概念，在無線通訊技術(shù)迅速發(fā)展的背景下，很快成為當(dāng)下熱門的課題。它的基本概念是圍繞我們身邊廣泛存在的各種各樣的事物和物體通過全球唯一的地址模式實現(xiàn)彼此互相交流、通訊、協(xié)作從而達(dá)到共同的目標(biāo)。物聯(lián)網(wǎng)是一個很大的概念，通?？梢园阉醋鍪乾F(xiàn)有的互聯(lián)網(wǎng)的一個擴展，因此它將繼承現(xiàn)有網(wǎng)絡(luò)的很多資源和研究成果。然而，由于數(shù)據(jù)量的龐大以及資源、環(huán)境的限制，也帶來了很多未曾出現(xiàn)的問題。
　　 本文中研究的數(shù)據(jù)分類技術(shù)就是為了緩解在

2、物聯(lián)網(wǎng)中龐大的數(shù)據(jù)維度給數(shù)據(jù)采集、數(shù)據(jù)傳輸以及數(shù)據(jù)處理帶來的壓力。
　　 數(shù)據(jù)分類作為數(shù)據(jù)挖掘中一個重要課題，旨在生成一個分類函數(shù)或模型，該函數(shù)或模型能把數(shù)據(jù)映射到指定類別中的某一類。本文選用BP神經(jīng)網(wǎng)絡(luò)算法來實現(xiàn)數(shù)據(jù)分類，并且對其工作原理進(jìn)行了詳細(xì)的推導(dǎo)。針對該算法存在網(wǎng)絡(luò)收斂慢和容易陷入局部最小值等缺陷，本文采用了使用可變學(xué)習(xí)率和加入動量因子相結(jié)合方法來改進(jìn)傳統(tǒng)的BP算法。在具體的網(wǎng)絡(luò)訓(xùn)練實驗中，發(fā)現(xiàn)該改進(jìn)算法在一定的程度上

3、提高了網(wǎng)絡(luò)的收斂速度。最終數(shù)據(jù)分類結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)在用于物聯(lián)網(wǎng)中的多維數(shù)據(jù)進(jìn)行分類時有著較高的分類成功率。
　　 盡管對算法進(jìn)行了改進(jìn)，但本文通過實驗發(fā)現(xiàn)在網(wǎng)絡(luò)精度下降到一定程度時，收斂速度還是會處于一個很低的程度。并且整個訓(xùn)練所需要的時間在很多特殊的物聯(lián)網(wǎng)應(yīng)用中，還是不能被接受的。為此，本文提出了在云計算平臺下實現(xiàn)BP網(wǎng)絡(luò)訓(xùn)練的方案。云計算技術(shù)作為物聯(lián)網(wǎng)體系的基石，它的應(yīng)用直接加速了物聯(lián)網(wǎng)的拓展。為了在云計算平臺Hado

4、op上實現(xiàn)BP算法，本文提出了針對數(shù)據(jù)分類應(yīng)用特性的MapReduce化方法。在部署好的Hadoop集群運算平臺上進(jìn)行的網(wǎng)絡(luò)訓(xùn)練表明，MapReduce化后的BP網(wǎng)絡(luò)學(xué)習(xí)算法有效的實現(xiàn)了對傳統(tǒng)BP算法的并行化分解。對比整個過程所消耗的時間，結(jié)果表明云計算平臺下的BP神經(jīng)網(wǎng)絡(luò)能夠大大縮短其網(wǎng)絡(luò)訓(xùn)練時間，這樣在很多能源和處理能力受限的物聯(lián)網(wǎng)基站中，就能用與云計算技術(shù)相結(jié)合方式實現(xiàn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練了。
　　 神經(jīng)網(wǎng)絡(luò)的基本原理是模仿人的